A high-performance end-to-end 3D CLEM processing workflow for facilities

Este artigo apresenta um fluxo de trabalho de processamento 3D de Microscopia Eletrônica e de Luz Correlativa (CLEM) de ponta a ponta, modular e de código aberto, projetado para facilitar a análise de grandes conjuntos de dados em instalações de serviços ao integrar ferramentas existentes e novas em uma interface amigável que escala de estações de trabalho a ambientes de computação de alto desempenho.

O essencial

Imagine que você é um detetive tentando resolver um crime complexo. Você tem duas pistas principais, mas elas falam "línguas" completamente diferentes:

1. A Pista da Luz (Microscopia de Luz): É como ver o suspeito de longe, à noite, usando óculos de visão noturna. Você consegue ver onde ele está e o que ele está fazendo (molecular), mas a imagem é meio borrada e não mostra os detalhes do rosto ou da roupa.
2. A Pista da Sombra (Microscopia Eletrônica): É como ter uma foto de ultra-alta definição tirada de perto, mostrando cada detalhe da pele e da roupa, mas em preto e branco e sem saber exatamente o que a pessoa estava fazendo naquele momento.

O CLEM (Microscopia Correlativa de Luz e Eletrônica) é a técnica de juntar essas duas pistas para ter a foto perfeita: ver o suspeito em alta definição enquanto ele faz a ação.

O problema? Juntar essas duas fotos é um pesadelo técnico. As imagens vêm de tamanhos diferentes, têm distorções (como se a foto tivesse sido tirada de um trem em movimento) e são gigantescas (como ter que montar um quebra-cabeça de 10 milhões de peças). Até agora, cada laboratório fazia isso do seu jeito, usando ferramentas diferentes e complicadas, o que tornava o processo lento e difícil para quem não é um gênio da computação.

A Solução: O "Kit de Montagem" Automático

A equipe deste artigo criou um fluxo de trabalho completo e gratuito (como um kit de montagem de móveis, mas para imagens científicas) que guia qualquer pessoa, desde o iniciante até o especialista, através de todo o processo. Eles chamam isso de um "pipeline" (tubo de processamento) de ponta a ponta.

Aqui está como funciona, passo a passo, usando analogias simples:

1. Alinhando as Peças (O "Taturtle" e o "AMST")

Imagine que você tem uma pilha de 1.000 fotos tiradas de um objeto em 3D, mas a câmera tremeu um pouco em cada foto. Se você empilhar elas, o objeto fica torto, como uma torre de cartas caindo.

• O que eles fizeram: Criaram ferramentas inteligentes que olham para marcas de referência (como listras desenhadas no objeto ou estruturas naturais) e "endireitam" a torre de cartas automaticamente.
• A mágica: Eles têm uma versão que usa essas marcas (como um guia de trilho) e outra que é tão esperta que consegue endireitar a torre mesmo sem as marcas, usando inteligência artificial para adivinhar onde cada peça deve ficar.

2. Limpando a Poeira (Denoising)

Às vezes, as fotos vêm com "neve" ou granulação (ruído), como uma TV antiga com sinal ruim.

• O que eles fizeram: Usaram um filtro de "limpeza" baseado em IA. É como usar um app que remove o fundo de uma foto, mas aqui ele remove o ruído da imagem sem apagar os detalhes importantes do objeto. Isso deixa a imagem cristalina para os próximos passos.

3. Encontrando o Alvo (Segmentação)

Agora que a imagem está alinhada e limpa, precisamos dizer ao computador: "Olhe, isso aqui é uma mitocôndria (uma usina de energia da célula)". Fazer isso manualmente em 3D levaria anos.

• O que eles fizeram: Eles treinaram um "robô" (uma rede neural chamada MitoNet) para reconhecer mitocôndrias.
• O Pulo do Gato: O robô padrão é bom, mas eles mostraram que, se você der a ele algumas fotos de exemplo para ele estudar (re-treino), ele se torna um especialista. A precisão de encontrar as mitocôndrias saltou de 60% para 94%! É como dar um curso intensivo para um estagiário antes de ele começar a trabalhar.

4. Juntando as Pistas (Registro)

Agora é hora de sobrepor a foto borrada (luz) na foto de alta definição (sombra).

• O que eles fizeram: Usaram uma ferramenta chamada BigWarp. Imagine que você tem duas camadas de vidro transparente. Você coloca pontos de referência (como pontos de luz que aparecem nas duas fotos) e o software estica e gira a camada de sombra até que ela se encaixe perfeitamente na camada de luz.

5. O Grande Final: O Cinema 3D (Visualização)

Tudo isso gera dados brutos. Como mostrar isso para o mundo?

• O que eles fizeram: Usaram o Blender (o mesmo software usado para fazer filmes de animação da Pixar, mas gratuito) com um plugin especial chamado "Microscopy Nodes".
• O Resultado: Eles transformam os dados científicos em filmes 3D incríveis, onde você pode girar a célula, ver as mitocôndrias brilhando e entender exatamente como as peças se encaixam no espaço.

Por que isso é importante?

1. É Gratuito e Aberto: Não precisa comprar softwares caros de milhares de dólares. Qualquer pessoa pode baixar e usar.
2. Funciona em Computadores Comuns e Supercomputadores: Se você tem um computador de casa, roda devagar. Se você tem acesso a um supercomputador (como os usados por governos), o sistema escala e processa terabytes de dados em minutos.
3. Padronização: Antes, cada cientista fazia do seu jeito. Agora, existe um "manual de instruções" claro. Isso significa que os resultados são mais confiáveis e fáceis de repetir.

Em resumo: Os autores criaram uma "fábrica de imagens" automatizada que pega dados brutos e complexos de microscopia, limpa, alinha, identifica as partes importantes e transforma tudo em um filme 3D bonito e científico, tudo isso de forma gratuita e acessível para qualquer laboratório no mundo. É como transformar um amontoado de peças soltas em um LEGO montado e pronto para ser exibido.

Resumo técnico

Título: Um fluxo de trabalho de processamento 3D CLEM de ponta a ponta de alto desempenho para instalações de microscopia

1. O Problema

A Microscopia Correlativa de Luz e Eletrônica (CLEM) integra a especificidade molecular da microscopia de luz (LM) com o detalhe ultraestrutural da microscopia eletrônica (EM), permitindo uma análise espacial abrangente de amostras biológicas. No entanto, o processamento de conjuntos de dados 3D CLEM enfrenta desafios significativos, especialmente para instalações de serviço (facilities), devido a:

• Natureza Multimodal: A necessidade de alinhar dados de diferentes modalidades com resoluções e especificações distintas.
• Falta de Padronização: Os fluxos de trabalho existentes são altamente fragmentados, inconsistentes e dependem de ferramentas específicas que muitas vezes exigem expertise em programação.
• Escalabilidade e Custo: A grande quantidade de dados gerada exige recursos de computação de alto desempenho (HPC), e muitas laboratórios não podem arcar com software comercial.
• Complexidade do Processamento: Etapas críticas como alinhamento de fatias EM, registro LM-EM, segmentação e visualização 3D são computacionalmente intensivas e muitas vezes manuais.

2. Metodologia

Os autores desenvolveram um pipeline modular, de código aberto e de ponta a ponta, projetado para ser interoperável e escalável (de estações de trabalho padrão a ambientes HPC). O fluxo de trabalho integra ferramentas existentes e novas, acessíveis através de interfaces amigáveis (GUI) e scripts Python/Nextflow.

As etapas principais incluem:

• Pré-processamento de Dados EM (FIB/SEM):
  • Alinhamento: Estratégias adaptadas à presença ou ausência de marcas fiduciais.
    • Com marcas: Uso da ferramenta interna Taturtle (combinação de template matching com correção de desvio Z) seguida pelo algoritmo AMST (Alignment to Median Smoothed Template) para correções não lineares.
    • Sem marcas: Uso do AMST2, uma nova implementação que inclui um passo de pré-alinhamento baseado em slices adjacentes para reduzir viés cumulativo.
  • Denoising (Remoção de Ruído): Aplicação do modelo Noise2Void2 (N2V2) via biblioteca CAREamics para melhorar a qualidade dos dados sem perder informações estruturais.
• Registro LM-EM: Utilização do BigWarp (integrado ao BigDataViewer/MoBIE) para registro baseado em pontos de referência (landmarks), utilizando mitocôndrias como fiduciais comuns. O volume EM é transformado para corresponder aos dados LM, assumindo que o LM representa o estado nativo da amostra.
• Segmentação:
  • Uso do modelo de rede neural MitoNet (via Empanada) para segmentação automática de mitocôndrias.
  • Estratégia de Retreinamento: Criação de um "Ground Truth" (GT) via segmentação semi-manual (nnInteractive) para re-treinar o modelo MitoNet especificamente para o conjunto de dados, otimizando a precisão.
• Visualização e Animação 3D: Utilização do Blender com o plugin Microscopy Nodes para renderização volumétrica de alta qualidade, integração de dados LM (emissivos) e EM (espalhamento de luz), e animação dos volumes segmentados.
• Gestão de Dados: Uso de formatos escaláveis (OME-Zarr) e execução de tarefas em clusters HPC (via Slurm e containers) para garantir reprodutibilidade e eficiência.

3. Principais Contribuições

• Pipeline Unificado e Open-Source: Apresentação de uma solução completa que consolida ferramentas dispersas em um fluxo coerente, acessível e gratuito.
• Novas Ferramentas e Métodos:
  • Lançamento do plugin Taturtle (Napari) e do módulo AMST2 para alinhamento robusto de FIB/SEM, tanto com quanto sem marcas fiduciais.
  • Metodologia otimizada para o re-treinamento do MitoNet dentro do fluxo Empanada, demonstrando como adaptar modelos genéricos a dados específicos de CLEM.
• Integração com HPC: Demonstração de como acoplar o fluxo de trabalho a infraestruturas de computação de alto desempenho (como o VSC na Flandres) para processar grandes volumes de dados, tornando o CLEM viável para grandes instalações.
• Visualização Avançada: Estabelecimento do Blender/Microscopy Nodes como a ferramenta padrão para visualização e animação 3D de dados CLEM complexos em um único ambiente.

4. Resultados

O pipeline foi validado em dois conjuntos de dados distintos (células MEF com marcas fiduciais e células HeLa sem marcas):

• Alinhamento: As estratégias combinadas (Taturtle-AMST e AMST2) reduziram o erro de deslocamento de ~0,75 nm para ~0,25 nm, eliminando distorções geométricas e garantindo a continuidade das membranas organelares. O AMST2 provou ser eficaz mesmo na ausência de marcas fiduciais, embora a presença delas ofereça maior precisão.
• Segmentação:
  • O pré-processamento (alinhamento + denoising) aumentou a precisão da segmentação automática de ~40% para ~60%.
  • O re-treinamento do modelo MitoNet elevou a precisão para ~94%, superando a necessidade de denoising em alguns casos e demonstrando ser o passo mais crítico para alta precisão.
• Visualização: Foi possível gerar renderizações 3D de alta fidelidade e animações que integram dados de SIM (3D), FIB/SEM e segmentações, permitindo a visualização clara de sítios de contato de membrana (MCS) e organelas.
• Escalabilidade: O fluxo operou com sucesso em ambientes HPC, processando volumes de dados de dezenas de gigabytes (ex: 17 GB de volume EM + 2,5 GB de SIM).

5. Significância

Este trabalho representa um avanço significativo para a comunidade de bioimagem ao:

• Democratizar o CLEM 3D: Ao fornecer ferramentas de código aberto e fluxos de trabalho padronizados, reduz as barreiras técnicas e financeiras, permitindo que mais laboratórios e instalações de serviço adotem técnicas CLEM.
• Aumentar a Reprodutibilidade: A padronização das etapas de processamento e o uso de containers e scripts automatizados garantem que os resultados sejam consistentes e replicáveis.
• Facilitar a Análise de Grandes Dados: A integração com HPC e formatos modernos (OME-Zarr) prepara a comunidade para o aumento exponencial no volume de dados gerados por microscopia avançada.
• Promover Colaboração: Ao tornar os dados e os fluxos de trabalho acessíveis e compartilháveis, o estudo fomenta a colaboração científica e a transparência, essenciais para o progresso na neurociência e biologia celular.

Em resumo, os autores oferecem uma "receita" robusta e escalável que transforma o processamento de dados CLEM 3D de um desafio técnico fragmentado em um processo acessível, eficiente e de alta qualidade.